Comparative Analysis of AutoML and BiLSTM Models for Cyberbullying Detection on Indonesian Instagram Comments

인스타그램을 거대하고 분주한 디지털 광장으로 상상해 보세요. 사진 공유와 연결을 위한 곳이지만, 어두운 면도 있습니다: 사이버 불링입니다. 이는 인터넷을 이용해 다른 사람을 괴롭히거나 위협하고 모욕하는 행위를 말합니다. 인도네시아에서는 많은 젊은이들에게 심각한 문제가 되고 있습니다.

이 논문은 인도네시아어 악성 댓글이 누군가를 다치게 하기 전에 자동으로 탐지할 수 있는 "디지털 보안 요원"을 구축하는 최선의 방법을 찾아보는 수사 보고서와 같습니다.

다음은 그들의 수사를 단순하게 정리한 이야기입니다:

1. 용의자들 (데이터)

연구진은 650 개의 인스타그램 댓글로 구성된 "수배 목록"을 수집했습니다.

• 출처: 유명한 인도네시아 예술가와 인플루언서의 댓글 섹션에서 왔습니다.
• 구성: 목록은 완벽하게 균형 잡혀 있었습니다. 325 개는 악의적인 댓글 (불링) 이었고, 325 개는 친절한 댓글 (비불링) 이었습니다.
• 도전 과제: 이들은 형식적인 에세이가 아니었습니다. 실제 십대들이 대화하듯 messy 하고 짧으며, 속어, 약어, 이모지로 가득 차 있었습니다.

2. 청소 팀 (전처리)

컴퓨터가 이 댓글들을 읽기 전에 정리해야 했습니다. 마치 사람들이 단어를 자주 틀리게 쓰거나 늘려서 쓰는 언어로 쓰인 책을 읽으려는 상황을 상상해 보세요 (예: "banget" 대신 "baaaanget"처럼).

연구진은 6 단계로 구성된 특별한 청소 기계를 만들었습니다:

1. 대소문자 통일 (Case Folding): 모든 것을 소문자로 변환 ("Hello"와 "hello"를 동일하게 만듦).
2. 정제: 해시태그, 링크, @멘션을 제거.
3. 속어 정규화: 속어를 수정 ("bgt"를 다시 "banget"으로 변환).
4. 불용어 제거: 불링을 식별하는 데 도움이 되지 않는 "and"나 "the" 같은 흔한 단어 제거.
5. 어간 추출 (Stemming): 단어를 어근까지 잘라냄 ("running"을 "run"으로 변환).
6. 토큰화 (Tokenization): 문장을 개별 단어 조각으로 자름.

이 단계가 없다면 컴퓨터는 messy 한 인터넷 속어에 혼란을 겪었을 것입니다.

3. 참가자들 (모델)

연구진은 누가 불링을 가장 잘 잡아낼지 보기 위해 두 가지 다른 유형의 "수사관"을 맞붙였습니다.

팀 A: 고전 수사관 (기계 학습)

이들은 오래되고 신뢰할 수 있는 방법들입니다. 단어들을 살펴보고 특정 "나쁜" 단어가 얼마나 자주 나타나는지 세어봅니다.

• 나이브 베이즈 (Naive Bayes): 확률에 기반한 빠른 추측자.
• 로지스틱 회귀 (Logistic Regression): 좋고 나쁨을 구분하는 선을 그리는 안정적인 계산기.
• SVM (서포트 벡터 머신): 두 그룹 사이의 완벽한 경계를 찾으려 노력하는 날카로운 눈의 분류기.
• 도구: 문장에서 독특하고 중요한 단어를 강조하는 마커 같은 TF-IDF 방법을 사용했습니다.

팀 B: 심층 사고가 (딥러닝)

이들은 고급 AI 수사관으로, 단어뿐만 아니라 문장의 맥락과 흐름을 이해하려 합니다.

• Bi-LSTM: 책을 읽으면서 방금 읽은 것을 기억하듯, 문장을 왼쪽에서 오른쪽으로 그리고 오른쪽에서 왼쪽으로 동시에 읽는 모델.
• Bi-LSTM + 어텐션 (Attention): 같은 모델이지만 **"스포트라이트"(어텐션 메커니즘)**가 추가되었습니다. 이 스포트라이트는 모델이 문장에서 가장 감정적이거나 중요한 단어에 더 집중하도록 합니다.

4. 결과: 누가 이겼나?

연구진은 어떤 모델이 불링 댓글을 올바르게 식별할 수 있는지 경주를 시켰습니다.

• 고전 우승자: 고전 수사관들 사이에서 로지스틱 회귀가 챔피언이었습니다. 약 **85.25%**의 정확도로 맞혔습니다. 빠르고 효율적이며 슈퍼컴퓨터 없이도 실행되었습니다.
• 딥러닝 우승자: "스포트라이트" (어텐션) 가 있는 Bi-LSTM이 전체 왕관을 차지했습니다. 약 **84.62%**의 정확도로 맞혔습니다.
  • 잠깐, 그건 더 낮은 거 아니야? 실제로는 매우 비슷합니다! "스포트라이트"는 모델이 다른 것들보다 불링의 미묘한 뉘앙스를 더 잘 이해하도록 도왔습니다. 원시 백분율이 최고의 고전 모델보다 약간 낮았음에도 불구하고요.
  • 표준 Bi-LSTM(스포트라이트 없이) 은 더 나빴습니다 (78.46%). 이는 "스포트라이트"가 결정적이었음을 증명합니다.

5. 판결

논문은 몇 가지 주요 교훈으로 결론을 내립니다:

• 딥러닝은 "가장 똑똑함": "스포트라이트"가 있는 모델 (Bi-LSTM + 어텐션) 이 인도네시아 속어와 감정적 공격의 복잡하고 messy 한 맥락을 이해하는 데 가장 뛰어납니다.
• 기계 학습은 "가장 효율적": 강력한 컴퓨터가 없거나 매우 빠르게 실행되는 것이 필요하다면, 고전적인 로지스틱 회귀가 매우 강력하고 실용적인 선택입니다. 복잡한 AI 와 거의 비슷하게 작동하지만 훨씬 가볍습니다.
• 정리가 핵심: 이 연구는 속어를 정리하고 오타를 먼저 수정하지 않으면 가장 똑똑한 AI 조차 실패할 것이라고 강조합니다.

한계 (세부 사항)

저자들은 연구의 한계를 솔직하게 인정합니다:

• 작은 표본: 그들은 650 개의 댓글만 사용했습니다. 650 명을 대상으로 한 설문조사를 바탕으로 한 나라 전체의 음악 취향을 판단하는 것과 같습니다. 더 큰 데이터셋이면 결과가 더 신뢰할 수 있을 것입니다.
• 특정 출처: 모든 댓글은 유명 예술가들의 페이지에서 왔습니다. 불링은 일반인의 페이지에서는 다르게 보일 수 있습니다.
• 단순한 라벨링: 그들은 댓글을 "불링" 또는 "비불링"으로만 라벨링했습니다. 더 세분화하지 않았습니다 (예: "바디 셰이밍" 대 "혐오 발언").

간단히 말해: 인도네시아 인스타그램 댓글에서 사이버 불링을 잡으려면 먼저 좋은 청소 팀이 필요합니다. 그런 다음, 얼마나 많은 컴퓨팅 파워를 가지고 있는지에 따라 빠르고 신뢰할 수 있는 고전 수사관 (로지스틱 회귀) 이나 스포트라이트가 있는 매우 지능적이고 맥락을 인식하는 AI (Bi-LSTM + 어텐션) 사이에서 선택할 수 있습니다.